Die meisten Menschen nutzen KI wie einen Getränkeautomaten für Antworten.
Lade ein Dokument hoch. Stelle eine Frage. Erhalte eine Antwort. Schließe den Tab. Lade morgen dasselbe Dokument erneut hoch. Stelle eine etwas andere Frage. Sieh zu, wie das Modell wieder bei Null anfängt, als ob es gestern nie gegeben hätte.
Das ist das Standardmuster für "KI-Produktivität" heute. Die ersten Male fühlt es sich magisch an, weil das System fast alles, was man ihm vorwirft, zusammenfassen, erklären und Erkenntnisse daraus extrahieren kann. Aber nach ein paar Wochen beginnt sich die Magie seltsam wegwerfbar anzufühlen. Du baust kein Wissen auf. Du mietest kurze Ausbrüche von Intelligenz.
Das Problem ist nicht, dass die Modelle zu schwach sind. Das Problem ist, dass der Workflow kein Gedächtnis hat, das sich vermehrt.
Andrej Karpathy hat ein besseres Muster beschrieben: LLMs nutzen, um persönliche Wissensdatenbanken aufzubauen und zu pflegen. Nicht nur ein Ordner mit hochgeladenen PDFs. Nicht nur ein Chatbot über Dokumente. Ein persistentes, strukturiertes, vernetztes Wiki, das ein LLM im Laufe der Zeit aktualisiert.
Der wichtige Teil ist nicht das Wiki. Wikis gibt es seit Jahrzehnten.
Der wichtige Teil ist die Pflege.
Das ist das fehlende Stück, das fast jedes "Second Brain"-System vor der KI getötet hat. Die Leute lieben die Idee einer persönlichen Wissensdatenbank. Sie lieben Obsidian-Graphen, Zettelkasten-Diagramme, PARA-Ordner, getaggte Notizen, Backlinks, Evergreen Notes, Dashboards und den ganzen Rest. Aber nach dem anfänglichen Enthusiasmus passiert meist dasselbe: Das System wird zu einem weiteren System, das gewartet werden muss.
Du clippst Artikel, fasst sie aber nicht zusammen. Du erstellst Notizen, verbindest sie aber nicht. Du tagst Dinge inkonsistent. Du vergisst, alte Behauptungen zu aktualisieren, wenn neue Informationen eintreffen. Du erstellst eine schöne Struktur und vermeidest sie dann langsam, weil jede Interaktion mehr Buchhaltung erzeugt.
Das Second Brain scheitert, weil es immer noch ein erstes Gehirn braucht, das hinterher aufräumt.
Karpathys LLM-Wiki-Muster verändert die Ökonomie. Es behandelt die Wissensdatenbank weniger wie ein persönliches Notizbuch und mehr wie eine Codebasis. Rohe Quellen kommen hinein. Das LLM liest sie, extrahiert die wichtigen Teile, erstellt oder aktualisiert Markdown-Seiten, pflegt Querverweise, verfolgt Widersprüche und hält Indizes aktuell. Der Mensch schreibt das Wiki nicht von Hand. Der Mensch kuratiert Quellen, stellt Fragen, überprüft Ausgaben und entscheidet, was wichtig ist.
Andrej Karpathy Beitrag
https://x.com/karpathy/status/2039805659525644595
Das ist eine viel interessantere Arbeitsteilung.
Vom Abruf zum sich vermehrenden Wissen
Die meisten KI-Dokumenten-Workflows basieren heute auf Abruf. Du lädst Dateien hoch, das System chunked sie, embeded die Chunks und sucht nach relevanten Passagen, wenn du eine Frage stellst. Das ist die grundlegende Idee hinter vielen RAG-Systemen, und sie ist nützlich. Sie erlaubt dem Modell, Fragen zu Material zu beantworten, das nicht in seinen Trainingsdaten ist.
Aber Abruf hat eine Obergrenze.
Wenn du eine Frage stellst, sucht das System, zieht eine Handvoll Fragmente in den Kontext und generiert eine Antwort. Die Antwort mag gut sein, aber die Arbeit verschwindet normalerweise, wenn die Konversation endet. Die Synthese wird nicht automatisch Teil einer dauerhaften Struktur. Die nächste Frage startet einen weiteren Abrufzyklus.
Das ist in Ordnung für einmalige Fragen. Es ist schwach für Lernen, Recherche, Schreiben und Strategie, wo der ganze Sinn darin besteht, dass sich Verständnis ansammeln sollte.
Ein von einem LLM gepflegtes Wiki funktioniert anders. Es wartet nicht bis zur Abfragezeit, um alles von Grund auf neu zu synthetisieren. Es kompiliert Wissen im Voraus.
Wenn du eine neue Quelle hinzufügst, liest das LLM sie und integriert sie in das bestehende System. Ein Papier könnte eine Konzeptseite aktualisieren. Ein Firmenprofil könnte eine Wettbewerberseite überarbeiten. Ein Transkript könnte Beweise für einen Kundenschmerzpunkt hinzufügen. Ein neuer Artikel könnte einer älteren Zusammenfassung widersprechen, also markiert das Wiki die Spannung, anstatt sie stillschweigend in einem Stapel von Dokumenten zu vergraben.
Die Frage ändert sich von "Kann ich den richtigen Absatz abrufen?" zu "Ist meine Wissensdatenbank klüger geworden, weil ich diese Quelle hinzugefügt habe?"
Das ist die wirkliche Verschiebung: Wissen wird kumulativ.
Die drei Schichten
Die Architektur ist so einfach, dass man ihre Einfachheit leicht übersehen kann.
Die erste Schicht sind die rohen Quellen. Das sind die ursprünglichen Materialien: Artikel, PDFs, Notizen, Transkripte, Papiere, Webclips, Bilder, Repos, Datensätze und alles andere, was das System wissen soll. Diese Schicht sollte als unveränderlich behandelt werden. Die KI kann es lesen, zitieren und zusammenfassen, aber sie sollte die Beweise nicht umschreiben.
Die zweite Schicht ist das Wiki. Dies ist ein Verzeichnis von Markdown-Dateien, die vom LLM gepflegt werden. Es kann Quellenzusammenfassungen, Konzeptseiten, Entitätsseiten, Zeitleisten, Vergleiche, offene Fragen, Indizes und Forschungsberichte enthalten. Dies ist die kompilierte Schicht. Hier wird Rohmaterial zu nutzbarem Wissen.
Die dritte Schicht ist das Schema. Dies ist die Reihe von Anweisungen, die dem LLM sagt, wie es sich als Verwalter verhalten soll. Welche Ordner gibt es? Was gilt als Quellenzusammenfassung? Wie sollen Zitate funktionieren? Wann soll es eine neue Konzeptseite erstellen, anstatt eine alte zu aktualisieren? Wie sollen Widersprüche festgehalten werden? Wonach sucht ein Health Check?
Das Schema ist das, was aus einem Chatbot einen Operator macht.
Ohne es hast du ein Modell, das improvisiert. Mit ihm hast du so etwas wie einen Junior-Forscher, der den Hausstil, das Ablagesystem und die Wartungsrituale kennt.
Obsidian fügt sich auf natürliche Weise in diesen Workflow ein, da es bereits eine lokale Markdown-Umgebung mit Backlinks, Graphenansichten und schneller Navigation ist. Karpathys Rahmung ist nützlich: Obsidian ist die IDE, das LLM ist der Programmierer und das Wiki ist die Codebasis.
Diese Metapher ist wichtig. Codebasen sind nicht wertvoll, weil sie Dateien enthalten. Sie sind wertvoll, weil die Dateien Konventionen folgen, aufeinander verweisen, umgestaltet, gelintet und verbessert werden können, ohne von vorne zu beginnen. Eine ernsthafte Wissensdatenbank sollte genauso funktionieren.
Der Mensch sollte nicht der Schreiber sein
Das alte Modell des persönlichen Wissensmanagements nahm stillschweigend an, dass der Mensch alles tun würde.
Du liest die Quelle. Du markierst. Du fasst zusammen. Du wählst den Ordner. Du fügst Tags hinzu. Du erstellst Links. Du erinnerst dich, dass eine ältere Notiz jetzt aktualisiert werden muss. Du bemerkst, dass zwei Quellen sich widersprechen. Du hältst Indizes sauber. Du entscheidest, ob eine verwaiste Notiz gelöscht, zusammengeführt oder verbunden werden soll.
Das ist genau die Art von Arbeit, die sich in Woche eins produktiv anfühlt und in Monat drei unerträglich ist.
Es ist auch genau die Art von Arbeit, in der LLMs gut sind.
Sie werden von repetitiver Struktur nicht müde. Sie haben nichts dagegen, fünfzehn Dateien in einem Durchgang zu aktualisieren. Sie können nach veralteten Behauptungen, fehlenden Backlinks, doppelten Konzepten, inkonsistenten Benennungen und ungelösten Widersprüchen suchen. Sie können eine unordentliche Quelle in fünf nützliche Artefakte verwandeln: eine Zusammenfassung, eine Liste von Behauptungen, eine Aktualisierung der Entitätsseite, eine Aktualisierung der Konzeptseite und eine Frage, die es wert ist, später untersucht zu werden.
Der Mensch sollte näher am Urteil bleiben.
Welche Quellen gehören ins System? Welche Behauptungen sind wirklich wichtig? Welche Frage ist es wert, als nächstes gestellt zu werden? Welche Synthese fühlt sich wahr, nützlich, überraschend oder falsch an? Was sollte in einen Artikel, ein Memo, eine Präsentation, eine Entscheidung, eine Produktidee oder eine Forschungsrichtung verwandelt werden?
Das ist der Teil, wo Geschmack zählt.
Das LLM sollte die Schreibarbeit des Wissens erledigen. Der Mensch sollte die redaktionelle Arbeit der Bedeutung erledigen.
Wie das in der Praxis aussieht
Stell dir vor, du recherchierst einen Markt. Du beginnst mit ein paar Analystenberichten, Blogbeiträgen von Wettbewerbern, Kundeninterviews, Produktseiten und Verkaufsgesprächstranskripten. Im alten Workflow würden diese zu einem Stapel von Dokumenten werden. Vielleicht würdest du einem Chatbot Fragen dazu stellen. Vielleicht würdest du eine Tabelle führen. Vielleicht würdest du irgendwann ein Memo schreiben, das veraltet, sobald neue Informationen eintreffen.
Im LLM-Wiki-Workflow aktualisiert jede neue Quelle die lebendige Karte.
Eine Wettbewerbsankündigung aktualisiert die Seite des Wettbewerbers. Ein Kundengespräch aktualisiert eine Seite über Einwände, Schmerzpunkte, Kaufauslöser und die Sprache, die Kunden tatsächlich verwenden. Ein Marktbericht aktualisiert Konzeptseiten zu Preisgestaltung, Regulierung, Akzeptanz oder Vertrieb. Ein neuer Widerspruch wird protokolliert, anstatt ignoriert zu werden. Eine nützliche Abfrage kann zu einem gespeicherten Briefing werden, auf dem zukünftige Abfragen aufbauen können.
Nach ein paar Wochen ist das System nicht mehr nur ein Dokumentspeicher. Es ist eine Forschungsumgebung.
Das gleiche Muster funktioniert für Autoren. Nimm deine vergangenen Essays, Notizen, Interviews, gespeicherten Artikel und Entwürfe auf. Das Wiki kann deine wiederkehrenden Argumente, Beispiele, Behauptungen, Referenzen und unfertigen Ideen verfolgen. Wenn du dich zum Schreiben hinsetzt, kannst du fragen, was du bereits zu einem Thema gesagt hast, welche Beispiele am stärksten sind, wo sich dein Denken geändert hat und welchen Winkel du noch nicht erkundet hast.
Es funktioniert für das Selbststudium. Nimm Vorlesungen, Lesematerialien, Übungen und Papiere auf. Das Wiki kann Konzeptseiten pflegen, die sich weiterentwickeln, während der Kurs schwieriger wird. Es kann erklären, wie Woche sieben Woche zwei revidiert. Es kann Lernblätter erstellen, Schwachstellen identifizieren und Verwirrung in einen Lernplan verwandeln.
Es funktioniert für Teams. Füttere es mit Besprechungsnotizen, Slack-Threads, Kundengesprächen, Planungsdokumenten, Strategie-Memos, Support-Tickets und Postmortems. Das Wiki kann Projektseiten, Kundenseiten, Produktentscheidungsprotokolle, Wettbewerberseiten und wiederkehrende Risikothemen pflegen. Der Vorteil ist nicht nur die Suche. Der Vorteil ist, dass die Organisation aufhört, Kontext in den Lücken zwischen den Tools zu verlieren.
In jedem Fall ist das Muster dasselbe: Quellen werden gesammelt, Wissen wird kompiliert, Fragen produzieren Ergebnisse und nützliche Ergebnisse werden zurück ins System abgelegt.
Die Erkundung summiert sich.
Der Health Check ist das Produkt
Einer der am meisten unterschätzten Teile von Karpathys Muster ist das Linting.
Ein normales Notizsystem verfällt stillschweigend. Links brechen. Seiten duplizieren sich. Zusammenfassungen werden alt. Behauptungen widersprechen sich. Wichtige Quellen bleiben unverarbeitet. Du bemerkst den Verfall nicht, bis du das System für echte Arbeit brauchst und ihm nicht mehr vertraust.
Ein von einem LLM gepflegtes Wiki kann überprüft werden.
Du kannst es bitten, verwaiste Seiten zu finden. Du kannst es bitten, doppelte Konzepte zu identifizieren. Du kannst es bitten, welche Behauptungen Zitate benötigen. Du kannst es bitten, wo neuere Quellen mit älteren in Konflikt geraten. Du kannst es bitten, welche Seiten zu vage, zu lang, zu dünn sind oder offensichtliche Querverweise vermissen lassen.
Das klingt klein, aber es ist der Unterschied zwischen einem Stapel Notizen und einer funktionierenden Wissensdatenbank.
Der Health Check ist keine Nebenfunktion. Es ist der Mechanismus, der das Vertrauen am Leben erhält.
Eine Wissensdatenbank, der du nicht vertraust, ist nur ein weiteres Archiv. Eine Wissensdatenbank, die sich selbst inspizieren, ihre Schwächen erklären und Reparaturen vorschlagen kann, beginnt sich wie eine Infrastruktur anzufühlen.
Warum Markdown wichtig ist
Die bescheidene Wahl von Markdown ist wichtiger, als sie aussieht.
Markdown-Dateien sind portabel. Sie können in einem normalen Ordner leben. Sie können in Obsidian geöffnet, mit jedem Texteditor bearbeitet, mit git versioniert, mit Befehlszeilen-Tools durchsucht, in Websites gerendert, in Folien umgewandelt oder von Skripten verarbeitet werden.
Das hält das System davon ab, eine Blackbox zu werden.
Viele KI-Produkte möchten dein Wissen in eine proprietäre Oberfläche absorbieren. Das mag bequem sein, aber es macht dein Verständnis auch abhängig von der Datenbank, Preisgestaltung, Roadmap und dem Export-Button von jemand anderem.
Ein lokales Markdown-Wiki ist im besten Sinne langweilig. Es ist überprüfbar. Es ist langlebig. Es kann gesichert werden. Es kann verglichen werden. Du kannst sehen, was das Modell geändert hat. Du kannst schlechte Bearbeitungen rückgängig machen. Du kannst kleine Tools darum herum bauen.
Für ernsthafte Wissensarbeit gewinnt langweilige Infrastruktur.
Das Produkt, das existieren will
Karpathy beschrieb dies als eine zusammengewürfelte Sammlung von Skripten, aber es deutet auf eine viel größere Produktkategorie hin.
Das nächste große Wissenstool wird wahrscheinlich nicht wie ein Chatbot mit einem Upload-Button aussehen. Es wird eher wie eine KI-native Forschungsumgebung aussehen: lokale Erstsicherung, strukturierte Aufnahme, zitierungsbewusste Synthese, automatische Wartung, visuelle Ausgaben, Health Checks, Versionsgeschichte und agentische Workflows, die über die gesamte Wissensdatenbank hinweg operieren können.
Es wird nicht nur Fragen beantworten. Es wird den Kontext pflegen, der bessere Fragen möglich macht.
Diese Unterscheidung ist wichtig. Ein Chatbot ist reaktiv. Eine gepflegte Wissensdatenbank ist kumulativ. Ein Chatbot gibt dir eine Antwort. Ein Wiki gibt deinem zukünftigen Ich einen besseren Ausgangspunkt.
Das ist auch der Grund, warum der Begriff "Second Brain" endlich weniger peinlich werden könnte. Jahrelang bedeutete er oft einen ambitionierten Aktenschrank: ein Ort, an den du Dinge legst, in der Hoffnung, dass das zukünftige Ich sie organisieren würde. Aber ein echtes Second Brain sollte nicht nur Erinnerungen speichern. Es sollte Struktur bewahren, Überzeugungen aktualisieren, Verbindungen aufdecken und angesammeltes Denken leichter wiederverwendbar machen.
Bis jetzt erforderte das zu viel menschliche Disziplin.
Jetzt kann die Wartung delegiert werden.
Der eigentliche Workflow
Der praktische Workflow ist fast enttäuschend einfach.
Sammle rohe Quellen. Lass das LLM sie in ein strukturiertes Markdown-Wiki kompilieren. Verwende Obsidian oder eine andere Markdown-Oberfläche, um das Ergebnis zu durchsuchen. Stelle Fragen an das Wiki. Speichere substanzielle Antworten zurück ins Wiki. Führe regelmäßige Health Checks durch. Wiederhole.
Das Schwungrad ist das, was zählt.
Jede Quelle macht das Wiki besser. Jede gute Frage erzeugt ein Artefakt. Jedes Artefakt wird zu zukünftigem Kontext. Jeder Health Check verbessert die Zuverlässigkeit. Im Laufe der Zeit entwickelt das System eine Form, die widerspiegelt, was du tatsächlich studierst, schreibst, baust und entscheidest.
Das ist ganz anders, als eine KI zu bitten, eine PDF zusammenzufassen.
Es ist näher daran, einen Forschungsassistenten zu haben, dessen Hauptaufgabe nicht darin besteht, endgültige Antworten zu produzieren, sondern deinen intellektuellen Arbeitsbereich kohärent zu halten.
Das könnte eine der wirkungsvollsten Nutzungen aktueller LLMs sein. Nicht dein Denken ersetzen. Nicht so tun, als wüssten sie alles. Nicht unendlichen Wegwerftext generieren. Einfach die Wartungsarbeit erledigen, die ernsthaftes Denken sich vermehren lässt.
Das Fazit
Das alte Second Brain war ein Speichersystem mit einem Disziplinproblem. Es gab dir einen Ort, um alles abzulegen, aber es hing immer noch vom zukünftigen Ich ab, um zu organisieren, zu verbinden, zu aktualisieren und zu bereinigen. Deshalb beginnen so viele Notizsysteme als schöne Karten und enden als stille Archive.
Das LLM-Wiki dreht das Modell um. Rohe Quellen bleiben die Beweisschicht. Das Markdown-Wiki wird zur kompilierten Schicht. Das Schema gibt der KI Regeln, wie es zu pflegen ist. Health Checks halten das System vertrauenswürdig. Obsidian oder jede andere Markdown-Oberfläche wird zum Ort, an dem du die Arbeit inspizierst, hinterfragst und wiederverwendest.
RAG kann dir helfen, eine Frage aus einem Stapel von Dokumenten zu beantworten. Ein von einem LLM gepflegtes Wiki verändert den Ausgangspunkt für jede zukünftige Frage.
Das ist die Kernidee. Der Wert liegt nicht nur in schnelleren Zusammenfassungen, saubereren Notizen oder hübscheren Graphen. Der Wert liegt im angesammelten Kontext. Jede Quelle, jede Abfrage, jeder Widerspruch und jedes nützliche Ergebnis kann das System stärken, anstatt in einem weiteren Chat-Thread zu verschwinden.
Die menschliche Rolle wird enger und wertvoller: bessere Eingaben wählen, schärfere Fragen stellen, schwache Synthesen hinterfragen und entscheiden, was wichtig ist. Die KI-Rolle wird repetitiv und strukturell: zusammenfassen, verlinken, überarbeiten, zitieren, linten und pflegen.
So beginnt Wissensarbeit, sich zu vermehren.
Dein Second Brain braucht nicht mehr Ordner.
Es braucht jemanden, der es pflegt.
Und zum ersten Mal muss dieser Jemand nicht du sein.
Wenn dir dieser Artikel gefallen hat, hinterlasse mir ein Follow für mehr KI- und Obsidian-Tipps: @Degen_calls_sol
